李开复讲AI:十堂人工智能科学课

课程简介:

李开复,人工智能领域先锋、智能时代先行者,曾任谷歌全球副总裁兼大中华区总裁、微软全球副总裁、苹果交互式多媒体部门副总裁。
从1980年初识人工智能至今,李开复投身人工智能领域37年。倾其研究积累,精炼成十堂人工智能课,解开你对人工智能的所有疑惑,带你进入人工智能的新世界。
[code]官方课程链接:https://www.ximalaya.com/keji/10537519/[/code]

课程目录:

Q1. 人工智能是机器人吗?

Q2. 人工智能已经进入到我们的生活了吗?

Q3. AI真的会挑战人类吗?

Q4. 人工智能的分类有哪些?

Q5. 三次AI热潮指的是什么?

Q6. 什么是深度学习?

Q7. AI会取代医生、翻译、驾驶员和金融人士吗?

Q8. 哪些工作是AI代替不了的?

Q9. AI时代该如何学习?该学什么?

Q10. AI来了,人生的意义没了?

Python3入门机器学习 经典算法与应用

课程简介:

由北京尚学堂人工智能学院研发的这门课程应各位同学对尚学堂的认可和对知识的渴求,希望帮助更多的有志之士能从中获益,也希望能帮助到对人工智能感兴趣的爱好者。
[code]官方课程链接:https://coding.imooc.com/class/chapter/169.html[/code]

课程目录:

第1章 欢迎来到 Python3 玩转机器学习
欢迎大家来到《Python3玩转机器学习》的课堂。在这个课程中,我们将从0开始,一点一点进入机器学习的世界。本门课程对机器学习领域的学习,绝不不仅仅只是对算法的学习,还包括诸如算法的评价,方法的选择,模型的优化,参数的调整,数据的整理,等等一系列工作。准备好了吗?现在开始我们的机器学习之旅!…
1-1 什么是机器学习
1-2 课程涵盖的内容和理念
1-3 课程所使用的主要技术栈

第2章 机器学习基础
机器学习到底是什么鬼?这一章将带领大家深入理解机器学习的世界,让大家去熟悉那些看似陌生的专业术语。监督学习,非监督学习,半监督学习,增强学习,批量学习,在线学习,参数学习,非参数学习。看完这一章,这些概念你就统统了解啦。不仅如此,本章还包含相当深刻地和机器学习相关的哲学探讨,让你深入思索有关机器学习…
2-1 机器学习世界的数据
2-2 机器学习的主要任务
2-3 监督学习,非监督学习,半监督学习和增强学习
2-4 批量学习,在线学习,参数学习和非参数学习
2-5 和机器学习相关的“哲学”思考
2-6 课程使用环境搭建

第3章 Jupyter Notebook, numpy和matplotlib
工欲善其事,必先利其器。在本章,我们将学习和机器学习相关的基础工具的使用:Jupyter Notebook, numpy和matplotlib。大多数教程在讲解机器学习的时候,大量使用这些工具,却不对这些工具进行系统讲解。我特意添加了这个章节,让同学们在后续编写机器学习算法的过程中,更加得心应手!…
3-1 Jupyter Notebook基础
3-2 Jupyter Notebook中的魔法命令
3-3 Numpy数据基础
3-4 创建Numpy数组(和矩阵)
3-5 Numpy数组(和矩阵)的基本操作
3-6 Numpy数组(和矩阵)的合并与分割
3-7 Numpy中的矩阵运算
3-8 Numpy中的聚合运算
3-9 Numpy中的arg运算
3-10 Numpy中的比较和Fancy Indexing
3-11 Matplotlib数据可视化基础
3-12 数据加载和简单的数据探索

第4章 最基础的分类算法-k近邻算法 kNN
k近邻算法本身是一个思想非常简单的算法,但是这个简单算法背后,也蕴含着丰富的内容。在这一章,我们将详细介绍k近邻算法的原理,进而对训练数据集,测试数据集,分类准确度,超参数,数据归一化,样本距离等基础概念进行详细的探讨。我们将详细了解scikit-learn框架中对算法的封装,并实现我们自己的算法框架。我们还将学…
4-1 k近邻算法基础
4-2 scikit-learn中的机器学习算法封装
4-3 训练数据集,测试数据集
4-4 分类准确度
4-5 超参数
4-6 网格搜索与k近邻算法中更多超参数
4-7 数据归一化
4-8 scikit-learn中的Scaler
4-9 更多有关k近邻算法的思考

第5章 线性回归法
线性回归法是机器学习领域的经典算法,很多更复杂的算法都是以线性回归为基础的。在这一章,我们将深入学习线性回归法背后的原理,同时仔细探讨如何评价回归算法。大家将对MSE,RMSE,MAE和R Squared等回归问题的评价指标有充分的理解。在实现层面上,我们还将学习机器学习领域的一个重要的实现技巧:向量化。…
5-1 简单线性回归
5-2 最小二乘法
5-3 简单线性回归的实现
5-4 向量化
5-5 衡量线性回归法的指标:MSE,RMSE和MAE
5-6 最好的衡量线性回归法的指标:R Squared
5-7 多元线性回归和正规方程解
5-8 实现多元线性回归
5-9 使用scikit-learn解决回归问题
5-10 线性回归的可解释性和更多思考

第6章 梯度下降法
梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章,我们将详细讲解梯度下降法的基本原理,一步一步改进梯度下降算法,让大家理解梯度下降法中各种参数,尤其是学习率的意义。同时,我们还将引申出随机梯度下降法和小批量梯度下降法两个方法,让大家对梯度下降法家族有一个全方位的认识。…
6-1 什么是梯度下降法
6-2 模拟实现梯度下降法
6-3 线性回归中的梯度下降法
6-4 实现线性回归中的梯度下降法
6-5 梯度下降法的向量化和数据标准化
6-6 随机梯度下降法
6-7 scikit-learn中的随机梯度下降法
6-8 如何确定梯度计算的准确性?调试梯度下降法
6-9 有关梯度下降法的更多深入讨论

第7章 PCA与梯度上升法
通常教材会使用非常多的数学概念来讲解PCA,在这个课程中,我们将另辟蹊径,绕开繁重的数学概念,使用梯度下降法的姊妹方法:梯度上升法来求解PCA问题,进而深刻理解PCA的基本原理,如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景,不仅让大家亲手实践出PCA降维的巨大威力,也让大家看到PCA在降噪,人脸识别等…
7-1 什么是PCA
7-2 使用梯度上升法求解PCA问题
7-3 求数据的主成分PCA
7-4 求数据的前n个主成分
7-5 高维数据映射为低维数据
7-6 scikit-learn中的PCA
7-7 试手MNIST数据集
7-8 使用PCA对数据进行降噪
7-9 人脸识别与特征脸

第8章 多项式回归与模型泛化
在这一章,我们将接触非线性问题。我们将学习多项式回归的思想,使用线性回归的思路来解决非线性问题。进一步,我们将引申出或许是机器学习领域最重要的一个问题:模型泛化问题。我们将深入探讨什么是欠拟合,什么是过拟合,怎样检测欠拟合和过拟合。什么是交叉验证,什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…
8-1 什么是多项式回归
8-2 scikit-learn中的多项式回归与Pipeline
8-3 过拟合与欠拟合
8-4 为什么要有训练数据集与测试数据集
8-5 学习曲线
8-6 验证数据集与交叉验证
8-7 偏差方差平衡
8-8 模型泛化与岭回归
8-9 LASSO
8-10 L1, L2和弹性网络

第9章 逻辑回归
据统计,逻辑回归是机器学习领域最常用的分类算法,没有之一!在这一章,我们将逐渐揭开逻辑回归的神秘面纱,了解如何应用线性回归的思路,来解决分类问题。我们将综合之前所学习的很多内容,一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题,学习对分类结果概率的估计,以及决策边界等重要概念。 …
9-1 什么是逻辑回归
9-2 逻辑回归的损失函数
9-3 逻辑回归损失函数的梯度
9-4 实现逻辑回归算法
9-5 决策边界
9-6 在逻辑回归中使用多项式特征
9-7 scikit-learn中的逻辑回归
9-8 OvR与OvO

第10章 评价分类结果
对机器学习分类算法结果的评估,是一个公认的复杂问题。在这一章,我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵,准确率,精确率,召回率,F1,以及ROC等诸多评价分类结果的指标。通过这一章的学习,大家将更好地理解自己的机器学习算法给出的结果,从而在实际应用…
10-1 准确度的陷阱和混淆矩阵
10-2 精准率和召回率
10-3 实现混淆矩阵,精准率和召回率
10-4 F1 Score
10-5 精准率和召回率的平衡
10-6 精准率-召回率曲线
10-7 ROC曲线
10-8 多分类问题中的混淆矩阵

第11章 支撑向量机 SVM
在这一章,我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始,理解SVM的思路,进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数:多项式核和径向基函数核。我们更会使用真实的数据集实验,看到SVM的优缺点。最后,我们还将探讨使用SVM解决回归问题的思路。 …
11-1 什么是SVM
11-2 SVM背后的最优化问题
11-3 Soft Margin SVM
11-4 scikit-learn中的SVM
11-5 SVM中使用多项式特征和核函数
11-6 到底什么是核函数
11-7 RBF核函数
11-8 RBF核函数中的gamma
11-9 SVM思想解决回归问题

第12章 决策树
在这一章,我们将学习另外一个大名鼎鼎的机器学习算法:决策树。决策树本身非常简单,背后并没有复杂的数学模型,但使用好决策树也有很多技巧。我们将深入了解什么是熵模型,什么是基尼系数,怎样使用决策树解决分类问题,怎样获得分类的概率,怎样用决策树解决回归问题,以及使用决策树的注意事项。 …
12-1 什么是决策树
12-2 信息熵
12-3 使用信息熵寻找最优划分
12-4 基尼系数
12-5 CART与决策树中的超参数
12-6 决策树解决回归问题
12-7 决策树的局限性

第13章 集成学习和随机森林
集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发,进而引入集成学习的经典算法:随机森林。我们将看到集成学习的威力。在这一章,我们还会对其他集成学习的思想,如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 …
13-1 什么是集成学习
13-2 Soft Voting Classifier
13-3 Bagging 和 Pasting
13-4 oob (Out-of-Bag) 和关于Bagging的更多讨论
13-5 随机森林和 Extra-Trees
13-6 Ada Boosting 和 Gradient Boosting
13-7 Stacking

第14章 更多机器学习算法
相信通过这个课程的学习。同学们学到的不仅仅是一个一个零散的机器学习算法,更对机器学领域解决问题的方式有了一个系统性的认识。学会了这种思维方法,相信大家都可以更好地继续深入学习机器学习。在最后,我将给大家介绍scikit-learn的文档,希望大家能够借助scikit-learn这个强大的机器学习库,继续探索机器学习这个当下…

14-1 学习scikit-learn文档, 大家加油!
14-2 学习完这个课程以后怎样继续深入机器学习的学习?

课程截图:

机器学习及其matlab实现—从基础到实践 MATLAB入门基础到进阶视频教程

课程简介:

近年来,随着人工智能的发展,机器学习已经广泛应用于各行各业中,如语言识别、文 本分类、智能推荐、网络安全、物联网等。然而,对于绝大部分非数学专业出身的人而言, 谈到机器学习,就会被大量的数学公式吓到退避三舍。实际上,随着计算机与信息技术的快 速发展,越来越多的人仅需要会使用机器学习这一工具即可,无需了解各种机器学习算法的 细枝末节。正如,我们每天都在使用计算机,但是我们不需要了解 CPU 和内存在每一时刻 的具体运行过程。因此,我们推出本课程,旨在帮助学员了解各种常见机器学习算法的原理与思想,同时,以具体案例的形式,引导学员自己动手实践编程。
考虑到众多学员基础不一,本次课程将会分成三大部分:MATLAB 入门基础与提高、机器学习基础和具体案例实践。

课程由炼数成金发布,猴头客收集整理于网络,如有侵权,请联系猴头客删除!

课程目录:

第一课:MATLAB 入门基础
1、简单介绍 MATLAB 的安装、版本历史与编程环境
2、MATLAB 基础操作(包括矩阵操作、逻辑与流程控制、函数与脚本文件、基本绘图等)
3、文件导入(mat、txt、xls、csv 等格式)

第二课:MATLAB 进阶与提高
1、MATLAB 编程习惯与风格
2、MATLAB 调试技巧
3、向量化编程与内存优化
4、图形对象和句柄

第三课:BP 神经网络
1、BP神经网络的基本原理
2、BP神经网络的 MATLAB 实现
3、案例实践
4、BP神经网络参数的优化

第四课:RBF、GRNN 和 PNN 神经网络
1、RBF 神经网络的基本原理
2、GRNN 神经网络的基本原理
3、PNN 神经网络的基本原理
4、案例实践

第五课:竞争神经网络与 SOM 神经网络
1、竞争神经网络的基本原理
2、自组织特征映射(SOM)神经网络的基本原理
3、案例实践

第六课:支持向量机(Support Vector Machine, SVM)
1、SVM 分类的基本原理
2、SVM 回归拟合的基本原理
3、SVM 的常见训练算法(分块、SMO、增量学习等)
4、案例实践

第七课:极限学习机(Extreme Learning Machine, ELM)
1、ELM 的基本原理
2、ELM 与 BP 神经网络的区别与联系
3、案例实践

第八课:决策树与随机森林
1、决策树的基本原理
2、随机森林的基本原理
3、案例实践

第九课:遗传算法(Genetic Algorithm, GA)
1、遗传算法的基本原理
2、常见遗传算法工具箱介绍
3、案例实践

第十课:粒子群优化(Particle Swarm Optimization, PSO)算法
1、粒子群优化算法的基本原理
2、案例实践

第十一课:蚁群算法(Ant Colony Algorithm, ACA)
1、粒子群优化算法的基本原理
2、案例实践

第十二课:模拟退火算法(Simulated Annealing, SA)
1、模拟退火算法的基本原理
2、案例实践

第十三课:降维与特征选择
1、主成分分析的基本原理
2、偏最小二乘的基本原理
3、常见的特征选择方法(优化搜索、Filter 和 Wrapper 等)

课程截图:

感谢来自@xuexi 的投稿!

吴恩达给你的人工智能第一课

课程简介:

适用人群
有数学与计算机编程基础,希望了解机器学习与神经网络的同学。

课程概述
【注意:课程属于连载课程,将于每周的周一或者周二更新1-2章。】

本门课程是 Coursera 上的第一门课,也是吴恩达(Andrew Ng)老师的经典之作,并授权网易汉化发布。从2011年上线到2017年,本门课程已经在全球积累了180万名学员,给许多人工智能入门者提供了全新的学习途径。

本课程将广泛介绍机器学习、数据挖掘和统计模式识别等内容,
同时还引用了许多机器学习案例,让你学会在智能机器人(感知和控制)、文本理解(网络搜索和垃圾邮件过滤)、计算机视觉、医学信息学、音频、数据库挖掘等领域应用机器学习。

课程由网易云课堂发布,猴头客收集整理于网络,如有侵权,请联系猴头客删除!!

课程目录:

章节1:绪论:初识机器学习
课时1欢迎参加《机器学习》课程
课时2什么是机器学习?
课时3监督学习
课时4无监督学习
课时5问题

章节2:单变量线性回归
课时6模型描述
课时7代价函数
课时8代价函数(一)
课时9代价函数(二)
课时10梯度下降
课时11梯度下降知识点总结
课时12线性回归的梯度下降
课时13本章课程总结

章节3:线性回归回顾
课时14矩阵和向量
课时15加法和标量乘法
课时16矩阵向量乘法
课时17矩阵乘法
课时18矩阵乘法特征
课时19逆和转置

章节4:配置
课时20安装 MTLAB 并设置编程任务环境
课时21安装 MATLAB
课时22在 Windows 上安装 Octave
课时23在 Mac OS X 上安装 Octave
课时24在 Mac OS X (10.8 Mountain Lion and Earlier) 上安装 Octave
课时25GNU/Linux 上安装 Octave
课时26更多 Octave/MATLAB 资源

章节5:多变量线性回归
课时27多功能
课时28多元梯度下降法
课时29多元梯度下降法演练 I – 特征缩放
课时30多元梯度下降法II – 学习率
课时31特征和多项式回归
课时32正规方程(区别于迭代方法的直接解法)
课时33正规方程在矩阵不可逆情况下的解决方法
课时34完成并提交编程作业

章节6:Octave/Matlab 教程
课时35基本操作
课时36移动数据
课时37计算数据
课时38数据绘制
课时39控制语句:for,while,if 语句
课时40矢量
课时41本章课程总结

章节7:Logistic 回归
课时42分类
课时43假设陈述
课时44决策界限
课时45代价函数
课时46简化代价函数与梯度下降
课时47高级优化
课时48多元分类:一对多
课时49本章课程总结

章节8:正则化
课时50过拟合问题
课时51代价函数
课时52线性回归的正则化
课时53Logistic 回归的正则化

章节9:神经网络学习
课时54非线性假设
课时55神经元与大脑
课时56模型展示Ⅰ
课时57模型展示Ⅱ
课时58例子与直觉理解Ⅰ
课时59例子与直觉理解Ⅱ
课时60多元分类

章节10:神经网络参数的反向传播算法
课时61代价函数
课时62反向传播算法
课时63理解反向传播
课时64使用注意:展开参数
课时65梯度检测
课时66随机初始化
课时67组合到一起
课时68无人驾驶

章节11:应用机器学习的建议
课时69决定下一步做什么
课时70评估假设
课时71模型选择和训练、验证、测试集
课时72诊断偏差与方差
课时73正则化和偏差、方差
课时74学习曲线
课时75决定接下来做什么

章节12:机器学习系统设计
课时76确定执行的优先级
课时77误差分析
课时78不对称性分类的误差评估
课时79精确度和召回率的权衡
课时80机器学习数据

章节13:支持向量机
课时81优化目标
课时82直观上对大间隔的理解
课时83大间隔分类器的数学原理
课时84核函数
课时85核函数
课时86使用SVM

章节14:无监督学习
课时87无监督学习
课时88K-Means算法
课时89优化目标
课时90随机初始化
课时91选取聚类数量

章节15:降维
课时92目标 I:数据压缩
课时93目标 II:可视化
课时94主成分分析问题规划
课时95主成分分析问题规划
课时96压缩重现
课时97主成分数量选择
课时98应用 PCA 的建议

章节16:异常检测
课时99问题动机
课时100高斯分布
课时101算法
课时102开发和评估异常检测系统
课时103异常检测 VS 监督学习
课时104选择要使用的功能
课时105多变量高斯分布
课时106使用多变量高斯分布的异常检测

章节17:推荐系统
课时107问题规划
课时108基于内容的推荐算法
课时109协同过滤
课时110协同过滤算法
课时111矢量化:低轶矩阵分解
课时112实施细节:均值规范化

推荐:前往官方课程学习该课程!

课程截图:

人工智能与机器学习 Python数据分析和机器学习

课程简介:

掌握机器学习技能后,你可以继续成为:机器学习工程师、高级数据分析师、人工智能工程师和机器人开发工程师。

机器学习可以让我们用已知的历史数据建立模型从而去预测未来新的数据所属于的类别或者分布规则等信息。

课程目录:

第一阶段:Python数据分析与建模库

01.Python快速入门

02.科学计算库Numpy

03.数据分析处理库Pandas

04.可视化库Matplotlib

05.Seaborn可视化库

第二阶段:机器学习经典算法

01.回归算法

02.决策树与随机森林

03.贝叶斯算法

04.Xgboost

05.支持向量机算法

06.时间序列AIRMA模型

07.神经网络基础

08.神经网络架构

09.PCA降维与SVD矩阵分解

10.聚类算法

11.推荐系统

12.Word2Vec

第三阶段:机器学习案例实战

01.使用Python分析科比生涯数据

02.案例实战-信用卡欺诈检测

03.Python文本数据分析

04.Kaggle竞赛案例-泰坦尼克获救预测

05.时间序列案例实战

06.Tensorflow框架

07.Mnist手写字体识别

08.Gensim中文词向量建模

09.探索性数据分析-赛事数据集分析

10.探索性数据分析-农粮数据分析

课程截图: